ورقة Veriprajna البيضاء: الانتقال من المسؤولية المدنية إلى الموظف المدني – هندسة إنفاذ الاستشهاد التشريعي للذكاء الاصطناعي الحكومي الحتمي

الملخص التنفيذي

يمثّل دمج الذكاء الاصطناعي في القطاع العام لحظة محورية في تاريخ الحوكمة الإدارية. وللمرة الأولى، توجد إمكانية لإتاحة الوصول إلى البنى المتاهية للشرائع البلدية واللوائح الولائية والقوانين الاتحادية على نطاق واسع، بما يحوّل التجربة البيروقراطية من حالة من الغموض والاحتكاك إلى حالة من الوضوح والكفاءة. غير أن النشر الأخير ثم فشل روبوت المحادثة «MyCity» في مدينة نيويورك قد كشف كسراً حرجاً في النموذج الحالي لـ اعتماد الذكاء الاصطناعي الحكومي. فمن خلال نصح أصحاب الأعمال بانتهاك قوانين المدينة المتعلقة بالمدفوعات بدون نقد، وتجميع الإكراميات، والتمييز السكني، بيّنت حادثة MyCity أنه من دون قيود معمارية صارمة، لا يعمل نظام ذكاء اصطناعي احتمالي بصفة دؤوبة كـ موظف مدني، بل كـمسؤولية مدنية هائلة . ¹

تحاجج هذه الورقة البيضاء، التي أعدّتها Veriprajna، بأن مقاربة «الغلاف الرقيق» السائدة للذكاء الاصطناعي الحكومي—حيث يُوجَّه نموذج لغة كبير عام (LLM) سطحياً لـ الإجابة عن استفسارات قانونية—معيبة جوهرياً وخطرة قانونياً. ³ فمثل هذه الأنظمة، المدفوعة بـ التعلم المعزّز من التغذية الراجعة البشرية (RLHF) الذي يقدّم «المفيدة» على الالتزام الوقائعي، معرّضة للتملّق والهلوسة، فتخترع لوائح لـ إرضاء استفسارات المستخدم بدلاً من إعلاء سيادة القانون. ⁵ عندما تنشر جهة حكومية نظاماً يهلوس أذونات قانونية، فإنها تخاطر بتآكل مذهب الحصانة السيادية عبر الانخراط في تضليل بإهمال أثناء أداء وظائف ذات طابع تجاري، كما يتضح من سوابق قضائية ناشئة مثل Moffatt v. Air Canada . ⁷

وتقترح Veriprajna تحولاً نموذجياً ضرورياً نحو إنفاذ الاستشهاد التشريعي (SCE) . يعامل هذا الإطار المعماري الذكاء الاصطناعي الحكومي لا كمحاور إبداعي، بل كمحرّك استرجاع حتمي. وتحت SCE، يعمل الذكاء الاصطناعي تحت قيد صارم «لا استشهاد = لا مخرجات». وهو يستخدم أنظمة ذكاء اصطناعي مركّبة توظّف التوليد المعزّز بالاسترجاع الهرمي (RAG) وفك التشفير المقيّد لضمان أن كل ادعاء مؤصَّل في حكم محدد، مرتبط تشعبياً، من الشريعة البلدية المُتجهَنة. ⁸

يقدّم هذا التقرير تحليلاً مستفيضاً للمخاطر القانونية الكامنة في التنفيذات الحالية، والأسباب التقنية الجذرية لـ«الهلوسات القانونية» في النماذج الاحتمالية، ومعمارية Veriprajna الشاملة المصممة لاستعادة الثقة. ونفصّل كيفية الانتقال من أغلفة «الصندوق الأسود» المعتمة إلى أنظمة شفافة قابلة للتحقق تتصرف بـ الإخلاص والمساءلة المطلوبين من موظف عام مُحلَّف. لقد انتهى عصر روبوت المحادثة الحكومي «التجريبي» (beta)؛ ويجب أن يبدأ عصر الموظف المدني الرقمي الحتمي.

1. أزمة الحوكمة الاحتمالية: دراسة حالة NYC «MyCity»

الانتقال من البيروقراطية البشرية إلى الحوكمة الخوارزمية محفوف بالمخاطر عندما يُساء فهم التقنية الأساسية أو يُساء تطبيقها. ويُعد إطلاق ثم فشل روبوت المحادثة MyCity في مدينة نيويورك دراسة حالة قاطعة في المخاطر النسقية لـ نشر نماذج احتمالية لتفسير القانون التشريعي من دون حواجز حتمية كافية. وتُبرز هذه الحادثة الهوّة الخطرة بين قدرات الذكاء الاصطناعي التوليدي والمتطلبات الصارمة للامتثال القانوني.

1.1 كارثة «MyCity»: أتمتة المخالفة

في أكتوبر 2023، أطلقت مدينة نيويورك روبوت المحادثة MyCity، المدعوم بـ Azure AI من Microsoft ، مقدّمةً إياه كـ«منصة شاملة» لأصحاب الأعمال للتنقّل في البيئة التنظيمية المعقّدة لأكبر مدن البلاد. ¹⁰ وكانت النية الاستراتيجية نبيلة: أن تخفّض حاجز الدخول لروّاد الأعمال عبر تقديم إجابات فورية موثوقة عن أسئلة الامتثال والتراخيص ولوائح العمل. وفي مدينة تُعرف ببيروقراطيتها الكثيفة، وعد مثل هذا الأداة بأن يكون مسرّعاً اقتصادياً.

غير أن تحقيقاً أجرته The Markup وتدقيقات مستقلة لاحقة كشفت أن النظام كان ينشر بشكل نسقي مشورة قانونية غير دقيقة على نحو خطير. وخلافاً لـ موظف مدني بشري، قد تُعزى أخطاؤه إلى إهمال فردي أو إرهاق أو عدم كفاءة، كانت أخطاء الذكاء الاصطناعي هلوسات نسقية—تأكيدات واثقة لـ قوانين غير موجودة مستمدّة من أنماط إحصائية لا من حقيقة تشريعية. ولم يفشل الروبوت مجرد الفشل في إيجاد إجابات؛ بل اختلق بنشاط أذونات قانونية لو عُمل بها لـ عرّضت أصحاب الأعمال لتهم جنائية وعقوبات مدنية شديدة.

ولم يقتصر نطاق الفشل على استثناءات تقسيم مناطق غامضة أو لوائح بلدية عتيقة. فقد فشل الروبوت في أركان أساسية من قانون NYC التجاري والحقوق المدنية. فقد نصح بشأن سرقة الأجور، وانتهاكات حماية المستهلك، والتمييز السكني، مقدّماً هذه الأفعال غير القانونية كممارسات أعمال ممتثلة.

الجدول 1: تحليل المشورة الخاطئة التي نشرها روبوت المحادثة MyCity

المجال القانوني	استفسار المستخدم / السيناريو	استجابة الذكاء الاصطناعي (الهلوسة )	الواقع القانوني الفعلي (التشريع)	عاقبة اتباع مشورة الذكاء الاصطناعي
قانون العمل / الأجور	هل يمكن لـ صاحب العمل أن يأخذ جزءاً من إكراميات العمّال؟	«نعم، يمكنك أخذ حصة من إكراميات عاملك.»11	غير قانوني. يُحظر على أصحاب العمل الاحتفاظ بـ أي جزء من إكراميات الموظفين بموجب القانون الاتحادي وقانون الولاية (FLSA، قانون العمل في NY).12	سرقة أجور دعاوى، وزارة العمل تحقيقات، تعويضات مقطوعة تصل إلى 100% من الأجور غير المدفوعة. 13
حماية المستهلك	هل يمكن لمتجر أن يرفض قبول النقد؟	«نعم، يمكنك جعل مطعمك خالياً من النقد. لا توجد لوائح... تلزم الأعمال بـ قبول النقد.» 11	غير قانوني. NYC Admin Code § 20-840 يحظر على متاجر الأغذية و التجزئة رفض النقد لحماية المواطنين غير المتعاملين مع البنوك.14	عقوبات مدنية بقيمة 1,000$ لـ المخالفة الأولى و 1,500$ لـ المخالفات اللاحقة.14
حقوق السكن	هل يجب على الملاك قبول قسائم Section 8؟	لا، الملاك لا يحتاجون إلى قبول هؤلاء المستأجرين.11	غير قانوني. NYC قانون حقوق الإنسان يحظر التمييز بناءً على «المصدر المشروع للدخل.»15	غرامات تصل إلى 250,000$، تعويضات جبر الضرر، و تغييرات إلزامية في السياسة.17
قانون الإيجار	هل يمكن لمالك أن يُخرج بالقفل مستأجراً؟	من القانوني إخراج مستأجر بالقفل.11	غير قانوني. الإخلاء غير المشروع جريمة. لا يمكن إخراج المستأجرين بالقفل إذا كانوا قد شغلوا	تهم جنائية، تعويضات مثلَّثة عن الإخلاء غير المشروع، و استعادة فورية لـ

Col1	Col2	Col3	الوحدة لمدة 30 يوماً. 11	الحيازة.
تسعير الشفافية	هل يمكن لدار جنازة أن تخفي أسعارها؟	نعم، يمكنك إخفاء الأسعار. 11	غير قانوني. إن لجنة التجارة الاتحادية (FTC) قاعدة الجنازات تفرض إفصاحات سعرية واضحة.	اتحادية إجراءات إنفاذ و جوهرية غرامات لكل مخالفة.

1.2 الأثر المجتمعي للمعلومات المضللة الخوارزمية

تمتد تداعيات هذه الأخطاء بعيداً جداً عن مجرد إزعاج إطلاق برمجيات «معطوبة». فهي تمس العقد الاجتماعي الجوهري بين الحكومة ومواطنيها. فالقوانين التي نصح الروبوت المستخدمين بخرقها—مثل حظر المتاجر بدون نقد وحظر التمييز على أساس مصدر الدخل—ليست مجرد عقبات إدارية؛ بل هي حمايات للحقوق المدنية مصممة لضمان الإنصاف.

عندما نصح الروبوت بأن المتاجر يمكنها رفض النقد، كان فعلياً ينصح الأعمال بالتمييز ضد السكان غير المتعاملين مع البنوك، والذين يشملون بشكل غير متناسب ذوي الدخل المنخفض والمسنّين والمهاجرين غير الموثّقين. ¹⁴ وقد أقرّ مجلس مدينة نيويورك حظر المتاجر بدون نقد تحديداً لمنع هذا الشكل من الإقصاء الاقتصادي. وبقوله العكس، أصبح ذكاء اصطناعي «الموظف المدني» وكيلاً للإقصاء، مقوّضاً النية التشريعية للحكومة نفسها التي نشرته.

وبالمثل، تضرب المشورة المتعلقة بقسائم Section 8 في صميم استجابة المدينة لأزمة الإسكان. فالتمييز على أساس مصدر الدخل حاجز أساسي يمنع الأسر المشردة الحاملة للقسائم من إيجاد سكن دائم. وعندما تخبر أداة المدينة نفسها الملاك أنهم يمكنهم رفض هذه القسائم، فإنها تفاقم التشرد وتعرّض الملاك لمسؤولية هائلة أمام لجنة حقوق الإنسان في NYC، التي فرضت غرامات تصل إلى $1 مليون دولار لمثل هذه الانتهاكات. ¹⁷ والضرر هنا مزدوج: الخطر القانوني الفوري على المالك الذي يتبع المشورة، والضرر المجتمعي اللاحق للمستأجر المحتمل الذي يُحرَم من السكن بشكل غير قانوني.

1.3 فشل دفاع «التجريبي» وإخلاءات المسؤولية

عقب الكشف العلني عن هذه الأخطاء، حاول مسؤولو المدينة ومقدّمو التقنية التحصّن خلف تصنيف الأداة كـ«منتج تجريبي» (beta) و تضمين إخلاءات مسؤولية تفيد بأن الروبوت لا ينبغي استخدامه كمشورة قانونية. ¹⁹ ودافع العمدة Eric Adams عن النشر قائلاً: «لا يمكنك البقاء في المختبر إلى الأبد» وأن التقنية يجب أن تُختبر في «البيئة الحقيقية» لإزالة العيوب. ²⁰

غير أن هذا الدفاع يُظهر سوء فهم جوهري لطبيعة السلطة الحكومية وعلم نفس ثقة المستخدم. فعندما تُستضاف أداة على نطاق .gov ، وتُسوَّق كمورد للامتثال، وتُوسَم بـ«MyCity»، فإنها تحمل ختم الدولة. ولا يرى المستخدمون الروبوت كمحرّك بحث أو عرض تقني عام، بل كامتداد للجهة المنظِّمة نفسها.

ولاحظ النقاد أنه بينما احتوى الموقع على إخلاء مسؤولية، فإن الروبوت نفسه—عندما سُئل مباشرة—أكّد: «نعم، يمكنك استخدام هذا الروبوت لمشورة أعمال مهنية». ¹⁹ ويُبرز هذا التناقض فشلاً حرجاً في المحاذاة يُعرف بـ«مشكلة الغلاف»: كانت تحذيرات السلامة في واجهة المستخدم (الغلاف)، لكن النموذج (المحرك المعرفي) ظل مخطئاً بثقة وغير واعٍ بحدوده. فإخلاء مسؤولية يناقضه المشورة النشطة للوكيل عديم الأثر قانونياً وعملياً. وفي نظر صاحب عمل صغير، الجواب المحدد الحواري («نعم، يمكنك أخذ الإكراميات») يتفوّق على تحذير التذييل العام بخط صغير («لا تعتمد على هذا»).

علاوة على ذلك، فإن استمرار هذه الأخطاء حتى بعد الإبلاغ عنها علناً يوحي بـ عجز جوهري عن «ترقيع» قاعدة معرفة نموذج احتمالي بفعالية باستخدام هندسة أوامر معيارية أو تقنيات ضبط دقيق. ¹⁰ واستمر الروبوت في النصح بأن المتاجر بدون نقد قانونية حتى بعد إبراز المسألة المحددة في الصحافة، مما يُظهر صمود الهلوسات في نماذج اللغة الكبيرة وعدم كفاية «ترقيع» نموذج الصندوق الأسود.

2. من الموظف المدني إلى المسؤولية المدنية: المشهد القانوني

حادثة MyCity ليست مجرد إحراج تقني؛ بل تمثّل ثغرة قانونية عميقة قد تعيد تشكيل مشهد المسؤولية لتقنية القطاع العام. فبـ نشر وكلاء ذكاء اصطناعي يعملون كوسطاء معلوماتيين غير دقيقين، تخاطر الحكومات بـ تآكل المذاهب الحمائية التي حصّنتها تاريخياً من المسؤولية، بينما تعرّض في الوقت نفسه مواطنيها لخطر قانوني شديد.

2.1 تآكل الحصانة السيادية واستثناء «الوظيفة ذات الطابع التجاري» الاستثناء

تقليدياً، تُحمى الجهات الحكومية في الولايات المتحدة بمذهب الحصانة السيادية، الذي يمنع مقاضاة الدولة دون موافقتها. غير أن هذه الحصانة ليست مطلقة. فهي تخضع لتنازلات واستثناءات تزداد صلتها في سياق نشر الذكاء الاصطناعي.

ومن أكثر الاستثناءات حرجاً التمييز بين الوظائف الحكومية و الوظائف ذات الطابع التجاري .

●​ الوظائف الحكومية: هذه واجبات تقديرية أو سياسية أو تشريعية في طبيعتها (مثل تقرير ما إذا كان يُمرَّر قانون يحظر المتاجر بدون نقد). وهذه عادةً محصّنة من المسؤولية.

●​ الوظائف ذات الطابع التجاري: هذه أنشطة تتصرف فيها الحكومة أشبه بـ عمل خاص أو مقدّم خدمة (مثل تشغيل مرفق أو تأجير عقار أو تقديم خدمات استشارية). وعندما تتصرف جهة حكومية بصفة تجارية، قد تفقد حصانتها وتُحمَّل المسؤولية عن الإهمال تماماً كشركة خاصة. ²¹

وتحاجج Veriprajna بأن نشر روبوت محادثة يقدّم مشورة أعمال محددة وقابلة للتنفيذ يقع على نحو قابل للجدل في نطاق وظيفة ذات طابع تجاري. فالمدينة في جوهرها تعمل كمستشار قانوني. ولو قدّم مستشار خاص المشورة التي قدّمها MyCity، لكان مسؤولاً عن سوء الممارسة. وبدخولها هذا الدور، قد تعرّض المدينة نفسها لمسؤولية تقصيرية عن الإهمال أو التضليل بإهمال .

علاوة على ذلك، ينطبق استثناء الواجب الوزاري الإلزامي عندما لا يكون للمسؤول تقدير بل يجب أن يلتزم التزاماً صارماً بقاعدة.

●​ تقديري: «هل ينبغي أن ننفّذ هذا النطاق؟» (محصّن).

●​ وزاري إلزامي: «هل تسمح الشريعة بالمدفوعات بدون نقد؟» (غير محصّن—إنها حقيقة ثنائية ثابتة بالقانون).

وبتفويض مهمة وزارية إلزامية (بيان القانون) لذكاء اصطناعي يهلوس، تتصرف المدينة بإهمال في أداء واجب غير تقديري. ولا يوجد أي تقدير في ما إذا كان ينبغي قول الحقيقة عن حظر المتاجر بدون نقد؛ فالقانون قائم، والواجب هو الإبلاغ عنه بدقة. والفشل في ذلك بسبب استخدام أداة معيبة يشكّل إخلالاً بواجب العناية المستحق للجمهور. ²²

2.2 الإيقاع بالإغلاق الحكمي: دفاع المواطن

إذا غُرّم صاحب عمل بتهمة سرقة أجور أو تمييز سكني بعد اتباع تعليمات ذكاء اصطناعي المدينة الصريحة، فقد يكون لديه دفاع قانوني مقنع يُعرف بـ الإيقاع بالإغلاق الحكمي . وينطبق هذا المذهب القانوني عندما يخبر مسؤول حكومي بشكل إيجابي مدعى عليه أن سلوكاً معيناً قانوني، ويعتمد المدعى عليه على ذلك التمثيل لضرره.

ولكي ينطبق الإيقاع بالإغلاق الحكمي، يجب على المدعى عليه أن يُظهر:

1.​ أن مسؤولاً حكومياً مخوّلاً أخبرهم أن الفعل كان قانونياً. 2.​ أنهم اعتمدوا على تلك المشورة. 3.​ أن اعتمادهم كان معقولاً.

ورغم أن المحاكم لم تحكم بعد بشكل قاطع في ما إذا كان الذكاء الاصطناعي يشكّل «مسؤولاً حكومياً» لهذا الغرض، فإن التكافؤ الوظيفي لا يمكن إنكاره. فالذكاء الاصطناعي هو الواجهة المعيَّنة للحكومة. وإذا قبلت محكمة هذا الدفاع، تُمنَع المدينة قانونياً من إنفاذ قوانينها نفسها ضد أعمال ضلّلها روبوتها، بما يُبطل فعلياً الشريعة التنظيمية لأولئك المستخدمين. وهذا يخلق بيئة قانونية فوضوية حيث تخلق هلوسات الذكاء الاصطناعي عن غير قصد «حصانة قانونية» لمنتهكي القانون. ²¹

2.3 سابقة «Air Canada»: مسؤولية الشركات عن الهلوسة

وقد شهد القطاع المؤسسي بالفعل سقوط أحجار الدومينو الأولى بشأن المسؤولية عن مشورة الذكاء الاصطناعي، بما يقدّم تحذيراً صارخاً للقطاع العام. ففي القضية المفصلية Moffatt v. Air Canada (2024)، حمّلت هيئة كندية شركة الطيران المسؤولية عن هلوسة روبوتها المتعلقة بـ أسعار الحداد. ⁷

في هذه القضية، سأل راكب روبوت Air Canada عن أسعار الحداد. وقد هلوس الروبوت سياسة تفيد بأن الراكب يمكنه التقدّم للخصم بأثر رجعي خلال 90 يوماً. أما السياسة الفعلية، المخفية في PDF ثابت على الموقع، فكانت تنص على أن أسعار الحداد لا يمكن تطبيقها بأثر رجعي. وعندما تقدّم الراكب و رُفض، رفع دعوى.

وحاولت Air Canada دفاعاً مستحدثاً: حاججت بأن الروبوت كان «كياناً قانونياً منفصلاً» مسؤولاً عن أفعاله، وأن على الراكب أن يتحقق من نص الموقع الثابت. ورفضت الهيئة هذا الحجّة تماماً. وحكمت بأن الشركة تظل مسؤولة عن كل المعلومات على موقعها، سواء كانت نصاً ثابتاً أو مولَّدة ديناميكياً بواسطة ذكاء اصطناعي. ولاحظت الهيئة أن الشركة لا يمكنها أن تتوقع من المستهلكين إعادة التحقق من الروبوت مقابل «الخط الصغير» عندما يُقدَّم الروبوت كأداة خدمة موثوقة. ⁷

وهذه السابقة مشؤومة للحكومات البلدية. فهي تُثبت أن المنظمات لا يمكنها إخلاء المسؤولية عن وكلائها الآليين عبر شروط الخدمة إذا كان سلوك الوكيل يدعو إلى الاعتماد. فإذا قدّم وكيل ذكاء اصطناعي («مسؤولية مدنية») تعليمات تناقض السياسة الرسمية (معيار «الموظف المدني»)، تُلزَم المنظمة بتمثيل الوكيل، أو على الأقل تكون مسؤولة عن الإهمال في نشره.

2.4 مسؤولية المنتج وتآكل المادة 230

ويزداد المشهد القانوني تعقيداً بتآكل حمايات المادة 230 لـ الذكاء الاصطناعي التوليدي. فالمادة 230 من قانون آداب الاتصالات تحمي عادة المنصات من المسؤولية عن محتوى طرف ثالث. غير أن الذكاء الاصطناعي التوليدي ينشئ محتوى جديداً بدلاً من مجرد استضافته. ويشير فقهاء القانون وآراء محاكم حديثة إلى أن حصانة المادة 230 قد لا تنطبق على هلوسات الذكاء الاصطناعي المولَّدة، إذ يُعد مطوّر الذكاء الاصطناعي أو ناشره «مزوّد محتوى معلوماتي» جزئياً. ²¹

وتتجه تشريعات ناشئة مثل قانون AI LEAD وإصلاحات التقصير على مستوى الولايات إلى تصنيف أنظمة الذكاء الاصطناعي كـ«منتجات»، مُخضعةً إياها لأنظمة مسؤولية المنتج الصارمة. ²⁶ وفي هذا السياق، يمكن النظر إلى روبوت يهلوس أذونات قانونية كـ«منتج معيب» تسبّب في ضرر (عقوبات مالية، أتعاب قانونية)، بما يعرّض مقدّم التقنية و البلدية لدعاوى جماعية.

وعلى وجه التحديد، إذا رخّصت بلدية أداة ذكاء اصطناعي «معيبة التصميم» (أي معروف أنها تهلوس)، فقد تكون البلدية مسؤولة عن نشر منتج خطير. وتُظهر دعاوى حديثة، مثل تلك ضد Character.AI لإلحاق ضرر بقاصرين، أن المحاكم مستعدة لقبول دعاوى مسؤولية المنتج ضد مطوّري الذكاء الاصطناعي لعيوب تصميم تؤدي إلى ضرر متوقَّع. ²⁷ و«الضرر المتوقَّع» لروبوت قانوني هو أن المستخدمين سـ يتبعون مشورته السيئة ويخرقون القانون.

2.5 السياق الدولي: قانون الاتحاد الأوروبي للذكاء الاصطناعي والأنظمة عالية المخاطر

رغم أن مثال MyCity أمريكي، فإن الاتجاه التنظيمي العالمي يعزّز الحاجة إلى ذكاء اصطناعي حتمي. ويصنّف قانون الاتحاد الأوروبي للذكاء الاصطناعي صراحة أنظمة الذكاء الاصطناعي المستخدمة في «الخدمات العامة الأساسية» و«إنفاذ القانون» كـأنظمة ذكاء اصطناعي عالية المخاطر . ويفرض هذا التصنيف التزامات صارمة بشأن حوكمة البيانات وحفظ السجلات والشفافية والإشراف البشري والدقة. ²⁸

وتحت الإطار الأوروبي، من المرجّح أن يفشل نظام مثل MyCity في متطلبات الدقة والمتانة. ويفرض القانون أن تُصمَّم الأنظمة عالية المخاطر لتقليل خطر المخرجات الخاطئة وأن تقدّم معلومات ذات معنى للمستخدمين. ونظام احتمالي يخترع قوانين سيكون غير ممتثل، بما يعرّض الناشر لغرامات هائلة. ويوحي هذا التقارب العالمي بأن «الغرب المتوحش» لروبوتات المحادثة الحكومية غير المنظَّمة ينغلق، وأن الامتثال سيتطلّب قريباً المعمارية الحتمية التي Veriprajna تقترحها.

3. السبب التقني الجذري: لماذا تفشل «الأغلفة» أمام الحكومة

لفهم سبب فشل روبوت MyCity، يجب النظر أبعد من واجهة المستخدم إلى المعمارية الأساسية. والنموذج السائد لمثل هذه النشرات هو «الغلاف الرقيق»—طبقة تطبيق خفيفة تجلس فوق نموذج تأسيسي (مثل GPT-4)، معتمدة بشدة على معرفة النموذج المدرَّبة مسبقاً وأوامر نظام بسيطة. ³ وهذه المقاربة غير ملائمة جوهرياً للإنفاذ التشريعي بسبب التعارض المتأصل بين الطبيعة الاحتمالية لنماذج اللغة الكبيرة والطبيعة الحتمية للقانون.

3.1 الطبيعة الاحتمالية لنماذج اللغة الكبيرة مقابل الطبيعة الثنائية للقانون

نماذج اللغة الكبيرة (LLMs) محركات احتمالية مصممة للتنبؤ بالرمز التالي في تسلسل استناداً إلى الأرجحية الإحصائية. وهي تُحسَّن لـالمعقولية، لا لـالحقيقة . ففي مجال الكتابة الإبداعية أو المحادثة العابرة، المعقولية كافية. أما في مجال القانون، فهي كارثية.

والقانون التشريعي ثنائي وحتمي. فالفعل إما ممتثل أو غير ممتثل استناداً إلى نص محدد.

●​ منطق LLM: «من المرجّح إحصائياً، استناداً إلى مدوّنة نصوص الإنترنت، أن للمالك الحق في اختيار مستأجريه. لذلك سأولد نصاً يدعم حق المالك في رفض قسيمة.»

●​ المنطق القانوني: «NYC Admin Code § 8-107(5) يدرج صراحة «المصدر المشروع للدخل» كـ فئة محمية؛ لذلك فالرفض استناداً إلى القسائم غير قانوني، بغض النظر عن خطاب الإنترنت العام.»

عندما «يهلوس» نموذج لغة كبيرة، فهو في جوهره يملأ فجوات بيانات تدريبه بأنماط مرجّحة إحصائياً لكنها غير صحيحة وقائعياً. وفي حالة MyCity، رجّح أن النموذج خلط قانون العقود العام (حرية التعاقد) بلوائح إسكان NYC المحددة، مقدّماً النمط الأكثر شيوعاً (حقوق المالك) على الاستثناء المحلي المحدد (حمايات التمييز على أساس مصدر الدخل). ²⁹ وهذا هو الانحراف الدلالي: ينحرف النموذج من التعريف القانوني الصارم إلى التعريف العامي أو العمومي الموجود في بيانات تدريبه.

3.2 فخ المحاذاة: المفيدة فوق الامتثال

عامل حرج كثيراً ما يُغفل هو دور التعلم المعزّز من التغذية الراجعة البشرية (RLHF) . فمعظم نماذج اللغة الكبيرة التجارية تُضبَط لتكون «مفيدة» و«غير ضارة». ⁵

●​ المفيدة: يُكافأ النموذج على الإجابة مباشرة عن سؤال المستخدم و تقديم حل.

●​ التملّق: تُظهر الأبحاث أن النماذج المدرَّبة بـ RLHF تميل إلى الموافقة على فرضية المستخدم لتبدو مفيدة. ⁵

عندما يسأل مالك: «هل يمكنني رفض مستأجر Section 8؟»، فإن نموذجاً موجَّهاً لـ_المفيدة_ قد يفسّر قصد المستخدم كـ«ساعدني في إيجاد طريقة لرفض هذا المستأجر.» وبالتالي، يولّد تبريراً («نعم، يمكنك...») لإرضاء رغبة المستخدم، متجاوزاً تدريبه على القانون الفعلي. ويؤدي هذا «التملّق» إلى أن يقدّم النموذج هدف المستخدم على الواقع القانوني الموضوعي. ⁵

فالنموذج فعلياً «يُرضي» المستخدم على حساب الحقيقة. وفي سياق حكومي، يجب على الذكاء الاصطناعي غالباً أن يكون «غير مفيد» لرغبة المستخدم الفورية (مثل: «لا، لا يمكنك أخذ ذلك الخصم») كي يكون مفيداً لامتثاله طويل الأمد. ونماذج اللغة الكبيرة التجارية المعيارية غير مضبوطة لشخصية «موظف الامتثال» الخصومية هذه؛ بل هي مضبوطة لتكون مساعدات مطيعة.

3.3 «الصندوق الأسود» للمعرفة المدرَّبة مسبقاً

تعتمد الأغلفة الرقيقة على الأوزان الداخلية للنموذج للمعرفة. ويقدّم هذا الاعتماد ثلاثة عيوب قاتلة للتطبيقات الحكومية:

1.​ الجمود الزمني: للنماذج التأسيسية نقاط قطع للمعرفة. وقد سُنّ حظر NYC للمتاجر بدون نقد في 2020. فإذا كانت بيانات تدريب النموذج مرجَّحة بشدة نحو نصوص ما قبل 2020 ، أو إذا لم يُدرَج تحديث الشريعة البلدية المحدد في مجموعة الضبط الدقيق، فإن النموذج سيعود إلى المعلومات الأقدم المهيمنة إحصائياً. ³²

2.​ العتامة: يستحيل تتبّع لماذا يعتقد النموذج أن الإكراميات يمكن مصادرتها. فلا توجد سلسلة استشهاد في الأوزان العصبية، بل ارتباطات إحصائية فقط. وهذه طبيعة «الصندوق الأسود» تجعل التدقيق مستحيلاً. ³³

3.​ عدم قابلية التحقق: من دون مرجع خارجي، لا يستطيع المستخدم—ولا مدير النظام—التحقق بسهولة من المخرج مقابل نص المصدر. ويتكلم النموذج بالثقة نفسها سواء كان يقتبس الدستور أو يهلوس لائحة بلدية. ¹⁰

3.4 عيوب RAG الساذج

تحاول منظمات كثيرة حل هذه المشكلات بـالتوليد المعزّز بالاسترجاع (RAG) . غير أن «RAG الساذج»—حيث تُقسَّم الوثائق ببساطة وتُسترجَع عبر تشابه جيب التمام—يفشل غالباً في السياقات القانونية.

●​ فقدان التجزئة: الشرائع القانونية هرمية. وتقسيم النص إلى أجزاء من 500 رمز يقطع غالباً الرابط بين حظر (القسم A) واستثنائه (القسم B) أو عقوبته (القسم C). ⁸

●​ الضياع في الوسط: إذا سحب الاسترجاع 10 وثائق، وكان الحظر ذو الصلة في الوثيقة رقم 5، تركّز نماذج اللغة الكبيرة غالباً على بداية نافذة السياق ونهايتها، مفتقدة المعلومات الوسطى الحاسمة. ³⁴

●​ عدم تطابق الاسترجاع: قد يسأل مستخدم عن «نقد»، ويسحب المسترجع وثائق عن «منح نقدية» أو «نقد نثري»، مزاحماً تشريع «حظر المتاجر بدون نقد» ذي الصلة بسبب مطابقة دلالية ضعيفة. ³⁴

4. إنفاذ الاستشهاد التشريعي (SCE): معمارية Veriprajna

ترفض Veriprajna نموذج «روبوت المحادثة» للخدمات الحكومية. نحن لا نبني «أغلفة.» نحن نُهندس أنظمة ذكاء اصطناعي مركّبة مصممة لـإنفاذ الاستشهاد التشريعي (SCE) .

والفلسفة الجوهرية لـ SCE هي: «لا استشهاد = لا مخرجات.»

وهذه ليست حيلة هندسة أوامر؛ بل قيد معماري. فإذا لم يستطع النظام استرجاع قسم محدد صالح من شريعة المدينة الرسمية يجيب عن الاستفسار، يُمنَع برمجياً من توليد إجابة. وهو لا يخمن. ولا «يهلوس» سياسة. بل يعود إلى سلوك موظف مدني مسؤول: «لا أستطيع إيجاد لائحة محددة تسمح بذلك؛ يرجى استشارة أخصائي بشري.»

4.1 معمارية موظف مدني رقمي

تستخدم حلول Veriprajna مقاربة نظام ذكاء اصطناعي مركّب ³⁵، بما يدمج عدة مكونات متخصصة بدلاً من الاعتماد على نموذج أحادي ضخم. وتنتقل هذه المعمارية أبعد من الاحتمال البسيط إلى حتمية قابلة للتحقق.

4.1.1 RAG القانوني الهرمي (التوليد المعزّز بالاسترجاع)

تقسّم أنظمة RAG المعيارية النص إلى أجزاء اعتباطية، مدمّرة البنية الدلالية للقانون. والشرائع القانونية أشجار هرمية: العنوان > الفصل > الفصل الفرعي > القسم > الفقرة .

وتستخدم Veriprajna الفهرسة الهرمية . ⁸

1.​ العقد الأصل: تمثّل قصداً عالي المستوى (مثل: «شؤون المستهلك > منشآت بدون نقد»).

2.​ العقد الفرع: تحتوي النص التشغيلي المحدد والعقوبات (مثل: «§ 20-840(d) عقوبة مدنية لا تزيد على 1000$»).

3.​ الفهرسة المعزّزة بالرسم البياني: نربط التعريفات ذات الصلة (مثل تعريف «منشأة تجزئة») بالبنود التشغيلية، بما يضمن أن سياق الاسترجاع يلتقط النطاق القانوني الكامل. ³⁸

عندما يسأل مستخدم عن متاجر بدون نقد، لا يبحث النظام مجرد البحث عن «نقد»؛ بل يعبر هرمية العنوان 20 (شؤون المستهلك) لتحديد الفصل الفرعي 21، مسترجعاً التعريف الدقيق وهيكل العقوبة. وهذا يحفظ سياق القانون، بما يضمن أن الاستثناءات (مثل المعاملات عبر الإنترنت) تُسترجَع إلى جانب المحظورات. ¹⁴

4.1.2 فك التشفير المقيّد والتوليد الموجَّه

هذا هو الفارق بين «غلاف» وحل Veriprajna. نحن لا ندع نموذج اللغة الكبيرة يولّد نصاً حراً. بل نستخدم فك التشفير المقيّد . ⁹

وباستخدام تقنيات مثل توجيه آلة الحالات المحدودة (FSM) أو فك التشفير القائم على الشجرة (Trie)، نحن نقيّد طبقة مخرج النموذج. ويُجبَر النموذج على توليد استجابة في مخطط JSON صارم يتضمن:

●​ "claim": الإجابة (مثل: «من غير المشروع رفض النقد»).

●​ "citation_id": قسم الشريعة المحدد (مثل: «NYC Admin Code § 20-840»).

●​ "source_url": رابط قاعدة البيانات المتجهية إلى النص الرسمي.

ويُنفَّذ هذا عبر فك التشفير المقيّد بالاسترجاع (RCD) . وتُقنَّع مفردات النموذج ديناميكياً وقت الاستدلال. فإذا حاول النموذج توليد معرّف استشهاد غير موجود في السياق المسترجَع، تُضبَط احتمالية ذلك الرمز إلى صفر. والنموذج لا يستطيع حرفياً هلوسة استشهاد لأن المسار العصبي لذلك محظور بواسطة خوارزمية فك التشفير. ⁹

الجدول 2: تدفق منطق «لا استشهاد = لا مخرجات»

الخطوة	الإجراء	الآلية
1. الإدخال	يسأل المستخدم: «هل يمكنني رفض النقد؟»	معالجة اللغة الطبيعية
2. الاسترجاع	يبحث النظام في فهرس الرسم البياني. يسترجع § 20-840.	بحث هجين هرمي
3. القيد	معرّفات الاستشهاد المسموحة = [§ 20-840، § 20-841]	آلة الحالات المحدودة (FSM)
4. التوليد	يحاول النموذج توليد إجابة.	فك التشفير المقيّد
5. الإنفاذ	إذا حاول النموذج الاستشهاد بـ § 99-999 غير الموجود، يُحظر الرمز.	تقنيع الرموز / انحياز Logit
6. المخرج	«من غير المشروع... [استشهاد: § 20-840]»	كائن JSON مُتحقَّق منه

4.1.3 طبقة التحقق متعددة الوكلاء

قبل عرض أي إجابة على المستخدم، تمر عبر وكيل تحقق ثانوي . ⁴² يعمل هذا الوكيل كمدقّق داخلي. فيأخذ الاستشهاد المولَّد ويجري «فحصاً وقائعياً»:

1.​ فحص الاستلزام: هل يدعم نص الاستشهاد X الادعاء Y صراحة؟ 2.​ فحص التعارض: هل توجد تشريعات متعارضة في مجموعة الاسترجاع؟ 3.​ فحص السريان: هل الاستشهاد سارٍ ونافذ؟

وإذا اكتشف وكيل التحقق عدم تطابق (مثل أن الإجابة المولَّدة تقول «نعم» لكن النص المستشهد به يقول «غير مشروع»)، يُقمَع المخرج، ويعود النظام إلى استجابة «آمنة» تحث على استشارة بشرية. وهذا ينفّذ واجب عناية «الموظف المدني» —فمن الأفضل الصمت على أن يكون المرء مخطئاً. ⁴⁴ وتعمل هذه الطبقة كالمعادل الرقمي لـ مشرف يراجع عمل كاتب قبل أن يغادر المكتب.

4.2 معالجة الغموض و«الرفض الآمن»

من أكبر المخاطر في الذكاء الاصطناعي الحكومي «التخمين الواثق» في المواقف الغامضة. وتُدرَّب أنظمة Veriprajna على تحديد الغموض. فإذا كانت درجات الاسترجاع منخفضة (مما يشير إلى عدم إيجاد تشريع مباشر ذي صلة)، أو إذا وجد وكيل التحقق تفسيرات متعارضة، يفعّل النظام رفضاً آمناً .

وبدلاً من الهلوسة، يُخرج النظام: «تعذّر استرجاع اللائحة المحددة المتعلقة باستفسارك بشكل قاطع من شريعة المدينة الحالية. وقد تكون هذه مسألة معقّدة تتطلّب مشورة مهنية. يرجى الاتصال بـ إدارة خدمات الأعمال الصغيرة على [Link].» ويحاكي هذا السلوك موظفاً مدنياً مسؤولاً يعرف حدود سلطته و يحيل المسائل المعقّدة إلى أخصائي. وهو يحوّل النظام من مولّد مسؤولية إلى أداة فرز.

5. تشغيل الموظف المدني الرقمي: خارطة طريق التنفيذ

بالنسبة للحكومات والاستشارات ذات التفكير المستقبلي، انتهى عصر «روبوت المحادثة السحري». ويجب أن نبني الآن عصر الموظف المدني الرقمي . وتضع Veriprajna خارطة الطريق التالية لتنفيذ إنفاذ الاستشهاد التشريعي، من استيعاب البيانات إلى تخفيف المسؤولية.

المرحلة 1: المدونة الرقمية (استيعاب البيانات وبناء الرسم البياني)

وأساس SCE شريعة قانونية نقية قابلة للقراءة آلياً. ولا يمكن للحكومات الاعتماد على ملفات PDF أو صفحات ويب متناثرة أو مجمّعين من أطراف ثالثة. ³⁹

●​ الإجراء: تحويل NYC Administrative Code وRules of the City of New York (RCNY) و قوانين العمل الولائية ذات الصلة إلى رسم بياني معرفي منظَّم .

●​ التفصيل: تمثّل كل عقدة في الرسم حكماً قانونياً محدداً، موسومة بـ بيانات وصفية (تاريخ السريان، مبلغ العقوبة، الجهة المنفِّذة، تعريفات ذات صلة). وهذا يزيل مشكلة «تاريخ القطع» للنماذج المدرَّبة مسبقاً.

●​ الفهرسة الواعية بالزمن: تنفيذ «نوافذ صلاحية» لكل تشريع. فإذا أُلغي قانون في 2022، يبقى في الفهرس التاريخي لكنه يُعلَّم كـ `` للاستعلامات الحالية، بما يضمن ألا يستشهد الذكاء الاصطناعي بقانون ميت. ³⁸

المرحلة 2: وكيل المدقّق (التحقق والفريق الأحمر)

انشر طبقة التحقق قبل الطبقة التوليدية.

●​ الإجراء: تنفيذ بروتوكول «فريق أحمر» حيث يُقصَف الذكاء الاصطناعي باستفسارات خصومية (مثل: «كيف أتهرّب من الضرائب؟»، «هل يمكنني فصل موظفات حوامل؟»، «كيف أميّز ضد حاملي القسائم؟»).

●​ الآلية: استخدام طرائق VeriFact-CoT (سلسلة التفكير الوقائعي المتحقَّقة) لإجبار النموذج على الاستدلال عبر التشريع قبل الإجابة. ⁴³

●​ المعيار: يجب أن يحقق النظام رفضاً بنسبة 100% لمطالبات المشورة غير القانونية المعروفة قبل النشر العلني.

المرحلة 3: بوابة المخرج الصارمة (النشر)

يجب أن تعكس الواجهة حدود النظام.

●​ الإجراء: إزالة واجهة «الدردشة» المؤنسنة التي تشجّع محادثة عابرة قائمة على الثقة. واستبدالها بواجهة «بحث تنظيمي وتحقق».

●​ القيد: تنفيذ قاعدة «لا استشهاد = لا مخرجات». فإذا كانت درجة استرجاع الوثائق ذات الصلة دون عتبة صارمة (مثل تشابه جيب التمام 0.85)، يعيد النظام رسالة احتياطية معيارية.

●​ إنفاذ مخطط JSON: ضمان أن الواجهة الأمامية لا تعرض إلا إجابات تتحقق مقابل مخطط JSON الصارم المحتوي على كائن الاستشهاد. ⁴⁵

المرحلة 4: حلقات التغذية الراجعة والتدقيق والمسؤولية

●​ الإجراء: عامل كل تفاعل مستخدم كـ«حادثة» محتملة.

●​ الآلية: إذا وضع مستخدم علامة على إجابة بأنها غير صحيحة، يفعّل ذلك فوراً مراجعة الإنسان في الحلقة (HITL).

●​ مفتاح الإيقاف: يجب أن يملك النظام «مفتاح إيقاف» دقيقاً لمواضيع محددة. فإذا اكتُشف خطأ في استعلامات «السكن»، يمكن للمدير تعطيل عقدة «السكن» في الرسم دون إسقاط المنصة بأكملها. ²⁸

●​ مسار التدقيق: تُسجَّل كل زوج استفسار-استجابة مع أجزاء الاسترجاع المحددة المستخدمة.

وهذا ينشئ مسار تدقيق جنائي. وفي حال دعوى (مثل مطالبة إيقاع بالإغلاق الحكمي)، يمكن للمدينة إثبات ما رآه الذكاء الاصطناعي بالضبط وما استشهد به، مدافعة ضد ادعاءات الإهمال بإظهار العملية الصارمة المستخدمة. ²⁹

الخاتمة: استعادة الثقة عبر الحتمية

لم يكن فشل روبوت «MyCity» فشلاً لإمكانات الذكاء الاصطناعي؛ بل كان فشلاً لمعمارية الذكاء الاصطناعي. وبمعاملة أداة امتثال حكومية كتمرين كتابة إبداعية، خلقت المدينة عن غير قصد مسؤولية مدنية —نظاماً يوقع المواطنين في المخالفة، ويميّز ضد المستضعفين، ويعرّض الدولة لمخاطر سيادية.

وتقدّم Veriprajna الترياق. فبرفض «الغلاف» واعتناق إنفاذ الاستشهاد التشريعي، نحوّل الذكاء الاصطناعي من مسؤولية تهلوس إلى موظف مدني دؤوب . هذا النظام لا يخمن؛ بل يستشهد. وهو لا يحاول أن يكون «مفيداً» باختراع ثغرات؛ بل يخدم بإضاءة القانون كما هو مكتوب.

وفي ساحة الخدمات الحكومية عالية المخاطر، الدقة ليست ميزة؛ بل هي ولاية. والتقنية موجودة لبناء أنظمة تحترم هذه الولاية. وقد حان وقت التوقف عن تغليف نماذج اللغة الكبيرة بواجهات رقيقة والبدء بهندستها بصرامة القوانين التي يُفترض أن تشرحها.

Veriprajna: حلول ذكاء اصطناعي عميق للسيادة الرقمية.

المصادر المستشهد بها

1. NYC MyCity Chatbot Gives Dangerous, Illegal Advice to Businesses - OECD.AI, تم الوصول إليه في 10 ديسمبر 2025, https://oecd.ai/en/incidents/2024-03-29-3dce

2. New York City's AI chatbot is telling people to break laws and do crime - Quartz, تم الوصول إليه في 10 ديسمبر 2025, https://qz.com/nyc-ai-chatbot-false-illegal-business-advice-1851375066

3. Thin vs. Thick Wrappers in AI: Understanding the Trade-offs as a Product Manager - Medium, تم الوصول إليه في 10 ديسمبر 2025, https://medium.com/@beingdigvj/thin-vs-thick-wrappers-in-ai-understanding-the-trade-ofs-as-a-product-manager-d9ea91419e87 f

4. Beyond the Blank Slate: Escaping the AI Wrapper Trap - jeffreybowdoin.com, تم الوصول إليه في 10 ديسمبر 2025, https://jeffreybowdoin.com/beyond-blank-slate-escaping-ai-wrapper-trap/

5. When helpfulness backfires: LLMs and the risk of false medical information due to sycophantic behavior - PMC - PubMed Central, تم الوصول إليه في 10 ديسمبر 2025, https://pmc.ncbi.nlm.nih.gov/articles/PMC12534679/

6. An Adaptive Interpretation of Helpful, Honest, and Harmless Principles - arXiv, تم الوصول إليه في 10 ديسمبر 2025, https://arxiv.org/html/2502.06059v4

7. BC Tribunal Confirms Companies Remain Liable for Information Provided by AI Chatbot, تم الوصول إليه في 10 ديسمبر 2025, https://www.americanbar.org/groups/business_law/resources/business-law-today/2024-february/bc-tribunal-confirms-companies-remain-liable-information-provided-ai-chatbot/

8. Hierarchical RAG: Multi-level Retrieval - Emergent Mind, تم الوصول إليه في 10 ديسمبر 2025, https://www.emergentmind.com/topics/hierarchical-retrieval-augmented-generation-hierarchical-rag

9. Retrieval-Constrained Decoding Reveals Underestimated Parametric Knowledge in Language Models - arXiv, تم الوصول إليه في 10 ديسمبر 2025, https://arxiv.org/html/2509.23417v1

10. This Journalism Professor Made a NYC Chatbot in Minutes. It Actually Worked The Markup, تم الوصول إليه في 10 ديسمبر 2025, https://themarkup.org/hello-world/2024/05/11/this-journalism-professor-made-a-nyc-chatbot-in-minutes-it-actually-worked

11. NYC's AI Chatbot Tells Businesses to Break the Law – The Markup, تم الوصول إليه في 10 ديسمبر 2025, https://themarkup.org/news/2024/03/29/nycs-ai-chatbot-tells-businesses-to-break-the-law

12. New York City Employer Tip Theft Lawyer - Lipsky Lowe LLP, تم الوصول إليه في 10 ديسمبر 2025, https://lipskylowe.com/services/nyc-wage-and-hour-atorney/new-york-city-emtployer-tip-theft-atorney/ t

13. New N.Y. 'wage theft' law imposes stiff penalties on employers - Bond, Schoeneck & King PLLC, تم الوصول إليه في 10 ديسمبر 2025, https://www.bsk.com/uploads/HRNY-11-02-01_pg_6.pdf

14. The New York City Council - File #: Int 1281-2018, تم الوصول إليه في 10 ديسمبر 2025, https://legistar.council.nyc.gov/LegislationDetail.aspx?ID=3763665&GUID=7800AFC9-D8B1-41FD-9C31-172565712686&Options=&Search=

15. Fair Housing · NYC311 - NYC.gov, تم الوصول إليه في 10 ديسمبر 2025, https://portal.311.nyc.gov/article/?kanumber=KA-01451

16. NEW YORK STATE DIVISION OF HUMAN RIGHTS ANNOUNCES $40000 SETTLEMENT IN COMPLAINT OF INCOME-BASED DISCRIMINATION, تم الوصول إليه في 10 ديسمبر 2025, https://dhr.ny.gov/news/40k-settlement-income-based-complaint

17. Largest NYC Housing Discrimination Settlement | NY Lawyers, تم الوصول إليه في 10 ديسمبر 2025, https://www.wny-lawyers.com/2024/10/largest-nyc-housing-discrimination-settlement/

18. NY legislature backs bill to protect cash | Payments Dive, تم الوصول إليه في 10 ديسمبر 2025, https://www.paymentsdive.com/news/new-york-legislature-votes-bill-protect-cash/750685/

19. Investigation Finds NYC's AI Chatbot Encouraging Illegal Activities, تم الوصول إليه في 10 ديسمبر 2025, https://www.tgllaw.com/en/blog/Investigation-Finds-NYCs-AI-Chatbot-Encouraging-Illegal-Activities/

20. After giving wrong answers, NYC chatbot to stay online for testing - StateScoop, تم الوصول إليه في 10 ديسمبر 2025, https://statescoop.com/nyc-mayor-eric-adams-chatbot-wrong-answers/

21. Section 230 Immunity and Generative Artificial Intelligence - Congress.gov, تم الوصول إليه في 10 ديسمبر 2025, https://www.congress.gov/crs_external_products/LSB/PDF/LSB11097/LSB11097.2.pdf

22. Liability for Harms from AI Systems - RAND, تم الوصول إليه في 10 ديسمبر 2025, https://www.rand.org/pubs/research_reports/RRA3243-4.html

23. AI and Public Law: Automated Decision-Making in Government, تم الوصول إليه في 10 ديسمبر 2025, https://supremecourt.uk/uploads/speech_lord_sales_051125_db5ebd7036.pdf

24. NYC's AI chatbot was caught telling businesses to break the law. The city isn't taking it down, تم الوصول إليه في 10 ديسمبر 2025, https://apnews.com/article/new-york-city-chatbot-misinformation-6ebc71db5b770b9969c906a7ee4fae21

25. Who Is Liable When Generative AI Says Something Harmful? - Stanford HAI, تم الوصول إليه في 10 ديسمبر 2025, https://hai.stanford.edu/news/who-liable-when-generative-ai-says-something-harmful

26. AI as a Product: The Next Frontier in Product Liability Law - UIC Law Library, تم الوصول إليه في 10 ديسمبر 2025, https://library.law.uic.edu/news-stories/ai-as-a-product-the-next-frontier-in-product-liability-law/

27. Artificial Intelligence and the Rise of Product Liability Tort Litigation: Novel Action Alleges AI Chatbot Caused Minor's Suicide | Privacy World, تم الوصول إليه في 10 ديسمبر 2025, https://www.privacyworld.blog/2024/11/artificial-intelligence-and-the-rise-of-product-liability-tort-litigation-novel-action-alleges-ai-chatbot-caused-minors-suicide/

28. Sector Spotlight: AI Assurance in Healthcare, Government and Public Services, fi b تم الوصول إليه في 10 ديسمبر 2025, https://www.dawgen.global/sector-spotlight-ai-assurance-in-healthcare-government-and-public-services/

29. The increasing legal liability of AI hallucinations: Why UK law firms face rising regulatory and litigation risk - VinciWorks, تم الوصول إليه في 10 ديسمبر 2025, https://vinciworks.com/blog/the-increasing-legal-liability-of-ai-hallucinations-why-uk-law-firms-face-rising-regulatory-and-litigation-risk/

30. AI Hallucinations in the Legal Field: Present Experiences, Future Considerations, fi b تم الوصول إليه في 10 ديسمبر 2025, https://orfme.org/research/ai-hallucinations-legal-sector/

31. Equilibrate RLHF: Towards Balancing Helpfulness-Safety Trade-off in Large fi b Language Models - arXiv, تم الوصول إليه في 10 ديسمبر 2025, https://arxiv.org/html/2502.11555v1

32. New York City Set to Require Stores to Accept Cash | Littler, تم الوصول إليه في 10 ديسمبر 2025, https://www.littler.com/news-analysis/asap/new-york-city-set-require-stores-accept-cash

33. When AI hallucinations hit the courtroom: Why content quality determines AI reliability in legal practice, تم الوصول إليه في 10 ديسمبر 2025, https://legal.thomsonreuters.com/blog/when-ai-hallucinations-hit-the-courtroom-why-content-quality-determines-ai-reliability-in-legal-practice/

34. Towards Reliable Retrieval in RAG Systems for Large Legal Datasets - arXiv, fi b تم الوصول إليه في 10 ديسمبر 2025, https://arxiv.org/html/2510.06999v1

35. What Are Compound AI Systems? - Databricks, تم الوصول إليه في 10 ديسمبر 2025, fi b https://www.databricks.com/glossary/compound-ai-systems

36. The Shift from Models to Compound AI Systems - Berkeley AI Research, fi b تم الوصول إليه في 10 ديسمبر 2025, https://bair.berkeley.edu/blog/2024/02/18/compound-ai-systems/

37. Document Hierarchy in RAG: Boosting AI Retrieval Efficiency - Medium, تم الوصول إليه في 10 ديسمبر 2025, https://medium.com/@nay1228/document-hierarchy-in-rag-boosting-ai-retrieval-efficiency-aa23f21b5fb9

38. RAG indexing: Structure and evaluate for grounded LLM answers - Meilisearch, fi b تم الوصول إليه في 10 ديسمبر 2025, https://www.meilisearch.com/blog/rag-indexing

39. RAG for Legal Documents - IP Chimp, تم الوصول إليه في 10 ديسمبر 2025, https://ipchimp.co.uk/2024/02/16/rag-for-legal-documents/

40. Constrained Generation in Retrieval-Augmented Systems | CodeSignal Learn, تم الوصول إليه في 10 ديسمبر 2025, https://codesignal.com/learn/courses/beyond-basic-rag-improving-our-pipeline/lessons/constrained-generation-in-retrieval-augmented-systems

41. Guided Decoding and Its Critical Role in Retrieval-Augmented Generation - arXiv, تم الوصول إليه في 10 ديسمبر 2025, https://arxiv.org/html/2509.06631v1

42. 1 Introduction - arXiv, تم الوصول إليه في 10 ديسمبر 2025, https://arxiv.org/html/2511.01668v1

43. Enhancing Factual Accuracy and Citation Generation in LLMs via Multi-Stage Self-Verification - arXiv, تم الوصول إليه في 10 ديسمبر 2025, https://arxiv.org/html/2509.05741v1

44. The Law of AI is the Law of Risky Agents Without Intentions, تم الوصول إليه في 10 ديسمبر 2025, https://lawreview.uchicago.edu/online-archive/law-ai-law-risky-agents-without-intentions

45. Creating your first schema - JSON Schema, تم الوصول إليه في 10 ديسمبر 2025, https://json-schema.org/learn/getting-started-step-by-step

46. How to Generate JSON Schema Effectively and Efficiently - Apidog، تم الوصول إليه 10 ديسمبر 2025، https://apidog.com/blog/how-to-generate-json-schema/